論文の概要: MethaneFuse: Learning from Multi-Sensor Satellite Observations for Methane Plume Detection
- arxiv url: http://arxiv.org/abs/2609.09762v1
- Date: Wed, 09 Sep 2026 06:04:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.912822
- Title: MethaneFuse: Learning from Multi-Sensor Satellite Observations for Methane Plume Detection
- Title（参考訳）: MethaneFuse: メタンプラム検出のためのマルチセンサ衛星観測から学ぶ
- Abstract要約: 衛星画像からのメタンの噴煙検出は、不完全な観測によって制限される。
ほとんどの学習ベース検出器はシングルセンサー入力、特にSentinel-2(S2)に依存している。
我々はCarbon Mapper plumeレポートから構築した時間的マルチセンサデータセットであるMethaneUnionを構築した。
MethaneFuseは、部分的なセンサの可用性の下で異質な衛星観測から学習する。
- 参考スコア（独自算出の注目度）: 17.742053569328224
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Methane plume detection from satellite imagery is constrained by incomplete observations: public satellites provide complementary spatial, spectral, and atmospheric evidence, but real plume cases rarely contain fully paired multi-sensor measurements because of revisit schedules, cloud coverage, acquisition quality, and the transient nature of emissions. Most learning-based detectors rely on single-sensor inputs, especially Sentinel-2 (S2), leaving many reported plume cases unusable. We construct MethaneUnion, a temporal multi-sensor dataset built from Carbon Mapper plume reports and matched S2, Landsat 8/9 (L8/9), EMIT, and Sentinel-5P (S5P) observations. Built on MethaneUnion, MethaneFuse learns from heterogeneous satellite observations under partial sensor availability without requiring complete four-sensor measurements. MethaneUnion expands usable coverage from 3,211 valid S2-matched plume cases to 8,981 reported plume cases with multi-sensor observations. At the representative 480 m setting, MethaneFuse achieves 84.87 F1 and 93.62 AUROC, improving over the strongest baseline by 5.65 F1 and 8.30 AUROC points while reducing false positives by 8.19 points. Sensor-availability experiments show that MethaneFuse improves detection when S2 is available and transfers plume knowledge to L8/9, EMIT, and S5P when S2 is unavailable. These results demonstrate the value of learning from incomplete heterogeneous sensor observations for practical methane plume detection.
- Abstract（参考訳）: 衛星画像からのメタン・プルーム検出は不完全な観測によって制限されている: 公共の衛星は補完的な空間、スペクトル、大気証拠を提供するが、実際のプルームのケースは、再訪スケジュール、雲のカバレッジ、取得品質、放射の過渡的な性質のために、完全にペアリングされたマルチセンサーの測定を含むことは滅多にない。
多くの学習ベースの検出器は、特にセンチネル2(S2)のような単一センサーの入力に依存しており、多くの報告されたプラムケースは使用不可能である。
我々は、Carbon Mapperプルームレポートから作成され、S2、Landsat 8/9(L8/9)、EMM、Sentinel-5P(S5P)の観測に適合する時間的マルチセンサデータセットであるMethaneUnionを構築した。
MethaneUnion上に構築されたMethaneFuseは、完全な4センサー測定を必要とせずに、部分的なセンサーの可用性の下で異質な衛星観測から学習する。
メタンイオンは、3,211個のS2整合プラムケースから8,981個の報告されたプラムケースまで使用可能な範囲を拡大する。
代表480mでは84.87F1と93.62AUROCを達成し、最強のベースラインを5.65F1と8.30AUROCで改善し、偽陽性を8.19ポイント削減した。
センサ・アベイラビリティー実験により、MethaneFuseはS2が利用可能であれば検出を改善し、S2が利用できない場合はL8/9、EMM、S5Pにプルーム知識を転送する。
これらの結果は,不完全な不均一なセンサ観測から,実用メタンプラム検出の学習価値を示すものである。
関連論文リスト
- Air Quality Downscaling with Station-Guided Pseudo-Supervision [60.31045749983062]
局所PM$_2.5$変動に対する高分解性粗大大気場は空間的支持のミスマッチによって一意に挑戦される。
ヨーロッパにおける高分解能PM$_2.5$ダウンスケールのためのステーション誘導フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-06T16:32:25Z) - AttMetNet: Attention-Enhanced Deep Neural Network for Methane Plume Detection in Sentinel-2 Satellite Imagery [1.0266286487433587]
メタンは温室効果ガスであり、地球温暖化に大きく貢献する。
AttMetNetは,Sentinel-2衛星画像を用いたメタンプラム検出のための,注目度の高い新しい深層学習フレームワークである。
論文 参考訳（メタデータ） (2025-12-02T13:34:39Z) - Artificial intelligence for methane detection: from continuous monitoring to verified mitigation [13.281959707326992]
メタンは温室効果ガスであり、工業時代から約30%の温暖化を担っている。
本稿では,公用マルチスペクトル衛星画像におけるメタン排出量を検出する機械学習モデルMARS-S2Lを紹介する。
論文 参考訳（メタデータ） (2025-11-26T08:16:10Z) - Robust Small Methane Plume Segmentation in Satellite Imagery [1.1200323437006519]
本稿では, センチネル2画像を用いた温室効果ガスであるメタンプラムの検出に挑戦する。
本稿では,ResNet34エンコーダを用いたU-Netに基づく新しい深層学習ソリューションを提案する。
実験により, 本手法は, 精度, 精度において, 78.39%のF1スコアを達成した。
論文 参考訳（メタデータ） (2025-08-22T10:41:50Z) - Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。
この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。
従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
論文 参考訳（メタデータ） (2024-08-27T15:03:20Z) - Autonomous Detection of Methane Emissions in Multispectral Satellite
Data Using Deep Learning [73.01013149014865]
メタンは最も強力な温室効果ガスの1つである。
現在のメタン放出モニタリング技術は、近似的な放出要因や自己報告に依存している。
深層学習法は、Sentinel-2衛星マルチスペクトルデータにおけるメタン漏れの自動検出に利用することができる。
論文 参考訳（メタデータ） (2023-08-21T19:36:50Z) - MethaneMapper: Spectral Absorption aware Hyperspectral Transformer for
Methane Detection [13.247385727508155]
メタンは地球規模の気候変動に大きく貢献している。
本稿では, 放射を検出・定量化するために, 端から端までのスペクトル吸収波長を考慮したトランスネットワークMethaneMapperを提案する。
MethaneMapperは検出時に0.63mAPを達成し、現在の技術と比べてモデルサイズ(5倍)を縮小する。
論文 参考訳（メタデータ） (2023-04-05T22:15:18Z) - Pushing the Limits of Fewshot Anomaly Detection in Industry Vision:
Graphcore [71.09522172098733]
FSADにおけるグラフ表現を利用して,新しい視覚不変特徴(VIIF)を異常測定特徴として利用する。
VIIFは異常識別能力を確実に向上し、Mに格納された冗長な特徴のサイズをさらに小さくすることができる。
さらに、教師なしFSADトレーニングを高速に実装し、異常検出の性能を向上させることができる、VIIFによる新しいモデルGraphCoreを提供する。
論文 参考訳（メタデータ） (2023-01-28T03:58:32Z) - Detecting Methane Plumes using PRISMA: Deep Learning Model and Data
Augmentation [67.32835203947133]
PRISMAのような新世代の超スペクトル画像装置は、高空間分解能(30m)で宇宙からメタン(CH4)プラムの検出能力を著しく改善した。
ここでは、PRISMA衛星ミッションの画像を用いてCH4プラムを識別するための完全なフレームワークと、広範囲のプラムを検出可能なディープラーニングモデルを提案する。
論文 参考訳（メタデータ） (2022-11-17T17:36:05Z) - Deep Learning Models of the Discrete Component of the Galactic
Interstellar Gamma-Ray Emission [61.26321023273399]
H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。
深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
論文 参考訳（メタデータ） (2022-06-06T18:00:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。